文件名称:matlab代码中的rir-eccv18:eccv18
文件大小:25.07MB
文件格式:ZIP
更新时间:2024-06-27 11:55:13
系统开源
matlab代码中的rir 使用非常深的残差通道注意网络的图像超分辨率 这个PyTorch仓库是为下面论文中介绍的RCAN使用的,完整代码可以从 、 、 、 、 、 和,“使用非常深的残差通道注意力网络的图像超分辨率”,ECCV 2018,, 该代码基于 Ubuntu 14.04/16.04 环境(Python3.6、PyTorch_0.4.0、CUDA8.0、cuDNN5.1)和 Titan X/1080Ti/Xp GPU 构建和测试。 内容 介绍 卷积神经网络 (CNN) 深度对于图像超分辨率 (SR) 至关重要。 然而,我们观察到图像 SR 的更深网络更难训练。 低分辨率的输入和特征包含丰富的低频信息,这些信息在通道间被平等对待,因此阻碍了 CNN 的表示能力。 为了解决这些问题,我们提出了非常深的残差通道注意网络(RCAN)。 具体来说,我们提出了残差中的残差(RIR)结构来形成非常深的网络,该网络由几个具有长跳跃连接的残差组组成。 每个残差组包含一些具有短跳跃连接的残差块。 同时,RIR 允许通过多个跳过连接绕过丰富的低频信息,使主网络专注于学习高频信息。 此外,我们提出了一
【文件预览】:
eccv18-master
----Figs()
--------supp_visual_psnr_ssim_bd_x3_3.PNG(1.74MB)
--------supp_visual_psnr_ssim_bi_x8_3.PNG(1.55MB)
--------readme.md(8B)
--------supp_visual_psnr_ssim_bi_x8_1.PNG(1.47MB)
--------fig6_visual_psnr_ssim_bi_x8.PNG(954KB)
--------supp_fig1_visual_psnr_ssim_bi_x4_1.PNG(1.53MB)
--------RCAB.PNG(52KB)
--------CA.PNG(97KB)
--------fig5_visual_psnr_ssim_bi_x4.PNG(1.65MB)
--------fig1_visual_bi_x4.PNG(988KB)
--------supp_fig1_visual_psnr_ssim_bi_x4_2.PNG(1.56MB)
--------supp_visual_psnr_ssim_bd_x3_2.PNG(1.76MB)
--------supp_fig1_visual_compare_gan_psnr_ssim_bi_x4_3.PNG(1.65MB)
--------psnr_bi_3.PNG(216KB)
--------psnr_bi_2.PNG(414KB)
--------supp_fig1_visual_compare_gan_psnr_ssim_bi_x4_1.PNG(1.82MB)
--------fig7_visual_psnr_ssim_bd_x3.PNG(1.08MB)
--------supp_visual_psnr_ssim_bi_x8_2.PNG(1.67MB)
--------supp_fig1_visual_compare_gan_psnr_ssim_bi_x4_2.PNG(1.43MB)
--------supp_fig1_visual_psnr_ssim_bi_x4_3.PNG(1.5MB)
--------RCAN.PNG(349KB)
--------psnr_bi_1.PNG(246KB)
--------supp_visual_psnr_ssim_bd_x3_1.PNG(1.5MB)
----README.md(11KB)